摘要
小麦是全球第二大粮食作物，对保障国家粮食安全起着重要的作用。然而，极端风雨、病虫害、高密度种植、高氮肥施用等会引发小麦倒伏，导致收获时收割困难进而降低产量和品质。快速、准确地统计小麦倒伏面积对损失评估、农事管理、农业保险理赔等具有重要指导意义。传统的野外调查方法难以满足小麦倒伏面积统计的高时效性需要,急需高效率、高精度、无损监测技术。论文以2019-2021年中国安徽省庐江县白湖农场、舒城县山林合作社农场和庐江县郭河现代农业示范园的冬小麦倒伏区为研究对象，考虑不同生育期、无人机不同飞行高度、倒伏区时空异质性等对小麦倒伏区提取精度的影响，通过采集小麦多个关键生育期(扬花期、灌浆期、成熟期等)的无人机可见光RGB影像，结合深度学习算法建立耦合小麦多生育期影像特征的倒伏信息提取模型、研究适于不同飞行高度无人机影像的小麦倒伏监测方法和基于特征自适应模型的小麦倒伏区时空异质性检测方法，旨在为小麦倒伏状况判别、灾后估损提供方法支持。主要研究内容及成果如下: (1)提出一种耦合小麦多生育期影像特征的倒伏信息提取模型(Lstm_PSPNet)。利用四旋翼无人机采集小麦倒伏区域5个生育期(开花早期、开花晚期、灌浆期、成熟早期和成熟晚期)的冠层影像与地面信息，结合卷积LSTM(ConvLSTM,ConvolutionalLongShort-TermMemory)时序模型，通过插入卷积注意力模块CBAM(ConvolutionalBlockAttentionModule)、Tversky损失函数等改进PSPNet(PyramidSceneParsingNetwork)深度学习网络模型，分析对比不同输入图像大小及不同生育期小麦倒伏监测效果。结果表明，1)Lstm_PSPNet模型在倒伏预测上效果更佳，Precision、Recall、F1-score分别为0.952、0.940和0.950;2)选择合适的图像尺寸可以更好提高分割精度，本文得到的最佳尺寸为468*468;3)从小麦倒伏区开花早期到成熟晚期，Lstm_PSPNet模型得到的分割精度依次提升,Precision从0.932上升到0.952,Recall从0.912到上升0.940,F1-Score从0.922上升到0.950,表明所提模型在小麦中后生育期都有较好的提取效果，且提取精度随着生育期的推进逐渐增加。综上，Lstm_PSPNet模型可以充分利用时序特征提高图像分割精度，有效提取不同生育期的小麦倒伏区。 (2)提出一种适用于多个飞行高度的小麦倒伏监测方法(Improved_UNet)。通过采集灌浆期和成熟期小麦倒伏区冠层高清无人机影像，引入Involution算子和Denseblock模块改进UNet(ConvolutionalNetworksforBiomedicalImageSegmentation),以期显著提高模型的特征提取能力。将改进的UNet网络(Improved_UNet)与SegNet、UNet和DeeplabV3+网络进行对比，检验Improved_UNet在不同飞行高度无人机影像中的监测性能，并用不同年份、不同地区的数据验证其鲁棒性。结果表明，1)Improved_UNet网络在分割精度方面全面优于对比网络，每一种指标平均提高3％,最大平均提高6％,且在成熟期的小麦倒伏面积提取效果更佳，Precision、Dice、Recall、Accuracy均为最高,分别为0.907、0.929、0.884、0.933;2)Improved_UNet网络的鲁棒性最强，在其他区域倒伏数据的验证下，其Precision、Dice、Recall、Accuracy分别达到0.851、0.892、0.844和0.885;3)飞行高度对倒伏分割精度有一定影响，20m、40m、80m、120m的对比验证结果显示:20m飞行高度效果最佳，且随着飞行高度的增加分割精度呈递减趋势,Improved_UNet的Precision、Dice、Recall、Accuracy分别在0.907～0.845、0.929～0.864、0.884～0.841、0.933～0.881范围内波动。综上，Improved_UNet深度学习网络可以有效提取小麦倒伏面积，且提出的不同高度融合模型可以为小麦倒伏提取提供更全面的参考。 (3)针对小麦倒伏区存在的时空异质性问题，对比分析不同深度学习网络模型对数据集的泛化性能并确定最优方案。利用多年份、多生育期和不同地区的小麦倒伏区无人机影像为数据源，对多种特征自适应模型(CBAM-UNet、SE-UNet和Swin-Transformer)进行有效性检验，测试特征自适应方法是否能减少麦田时空异质性对小麦倒伏区检测的不利影响，并对比不同深度学习网络模型对数据集的泛化性能。结果表明，1)Swin-Transformer模型分割精度较高，对倒伏区的检测潜力最大，但由于麦田时空异质性的原因，模型容易过拟合，CBAM-UNet和SE-UNet的稳定性较好，但这两种网络的倒伏区分割精度上限低于Swin-Transformer;2)对比几种深度学习网络模型，UNet网络的总体性能不如其他3种。上述研究表明，如果对倒伏区检测精度要求较高，但在图像采集过程中又需要保证现场外部环境的一致性时，采用Swin-Transform网络模型是最佳选择。 综上，利用无人机搭载的高清RGB数码相机，在多个地点连续3年获取了冬小麦多个关键生育期的倒伏影像，考虑不同生育期、无人机不同飞行高度、麦田时空异质性等主要影响小麦倒伏识别的因素，提出了一种耦合小麦多生育期影像特征的倒伏信息提取模型;提出了一种适用于多个飞行高度无人机影像的小麦倒伏监测方法;分析并验证了麦田时空异质性对模型的影响。上述模型和方法实现了高精度小麦倒伏区自动提取，使得精准识别小麦倒伏区成为可能。
NETL